Vorhersage von Parametern von Frühwarnwerten auf Intensivstationen durch maschinelles Lernen (AIM-PEW-ICU)

Für Patienten, die auf einer Intensivstation überwacht werden, werden eine Vielzahl unterschiedlicher Organfunktionen in Echtzeit aufgezeichnet. Die erhobenen Messwerte dienen einerseits der kontinuierlichen Überwachung von Vitalparametern, z.B. B. Blutdruck, Herzfrequenz und Atemfrequenz, werden aber auch im Rahmen von Visiten mehrmals täglich in Verbindung mit anderen Daten ausgewertet. In beiden Fällen, der kontinuierlichen Überwachung aus einer begrenzten Anzahl von Parametern, aber auch bei der eindeutigen Auswertung mit einem umfangreicheren Satz ananalysierbarer Parameter, gibt es trotz aller Sorgfalt und Expertise Einschränkungen in der Auswertbarkeit: Bei der kontinuierlichen Analyse ist die Interpretation begrenzt durch die oben beschriebene begrenzte Anzahl kontinuierlich aufgezeichneter Parameter. Obwohl eine große Anzahl solcher Messungen möglich ist und zumindest theoretisch eine größere Anzahl von Parametern gemessen werden könnte, bestehen patientenspezifische Grenzen wie die Patientenkooperation, medizinische Grenzen wie die Aussagekraft der Messwerte in bestimmten Situationen, aber auch wirtschaftliche Grenzen sind in diesem Zusammenhang oft entscheidend. Obwohl aus der kontinuierlichen und damit vollständigen Darstellung von Aspekten der menschlichen Physiologie genaue Schlussfolgerungen gezogen werden können, verringert die Beschränkung der verfügbaren Parameter die Interpretierbarkeit der Synthese verschiedener Zustände. Bei den umfassenderen, umfassenderen Auswertungen bei Besuchen zu bestimmten Zeitpunkten ergeben sich hingegen Einschränkungen unter anderem aufgrund der punktuellen Erfassung einzelner Messwerte und der vorgegebenen Besuchszeiten. Auch wenn für die Messdaten Grenzwerte definiert sind (oder werden können) und eine Konsequenz, z.B. B. ein Therapieschritt, eingeleitet wird, wenn diese Werte überschritten oder unterschritten werden, kann dieser Alarm nur nachträglich ausgelöst werden, wenn diese Werte überschritten werden und eine Konsequenz kann nur nachträglich eingeleitet werden. In dieser Situation ist eine pathophysiologische Veränderung bereits so weit fortgeschritten, dass in vielen Fällen ein Kompensationsmechanismus nicht mehr ausreichend funktioniert und es zu einer Dekompensationssituation kommt. In dieser Situation sind die betroffenen Patienten auf einer Intensivstation in vielen Fällen in Lebensgefahr. Beide Situationen, die kontinuierliche Aufzeichnung einer begrenzten Anzahl von Parametern und die Auswertung umfangreicher Daten in Form eines Snapshots, konnten trotz der genannten Einschränkungen optimiert werden. Ohne Veränderung der Datenerhebung (Zeitpunkt, Umfang etc.) bleiben die Möglichkeiten zur Optimierung ihrer Interpretation und die daraus abzuleitenden Konsequenzen bestehen. Die Interpretation der Daten wird in erster Linie von den Interpreten als Interpretationsmethode bestimmt. Aktuelle Ansätze versuchen, mithilfe von Methoden des maschinellen Lernens (ML) individuelle Situationen vorherzusagen, die unerwünschte Ereignisse in den gegebenen Daten erkennen und gleichzeitig die Auslösung von Alarmen präventiv, also bevor eine lebensbedrohliche Situation eintritt, ermöglichen. Darüber hinaus gibt es bereits Untersuchungen zur Veränderung von Frühwarnwerten in Zeitreihen, die jedoch für längere Vorhersagezeiträume nur begrenzt aussagekräftig sind.